chinentanz im Labor: Eine Evaluation, tausend Fragen
Die Drähte haben ein neues Signal gebracht: Künstliche Intelligenz generiert Tanzvideos, und irgendjemand hat sie getestet. Klingt nach Spielerei. Ist es nicht. Wer kontrolliert, was als „guter Tanz" durchgeht, kontrolliert auch, was die Maschine morgen für realistisch hält — und das hat Folgen für jeden Bereich, in dem Bewegung synthetisiert wird, von Werbung bis politischer Kommunikation.
Ein Testbericht liegt vor. Ein einziger. Das ist die erste rote Flagge. Bei breaking news verlässt man sich nicht auf eine Quelle — man lässt sie von drei anderen prüfen, kreuzweise, mit anderen Werkzeugen. Hier ist das nicht geschehen, jedenfalls nicht öffentlich sichtbar. Ein Bericht, der ohne Vergleichsmaßstab veröffentlicht wird, ist eine Behauptung, keine Auswertung.
Was die Evaluation nach eigenen Angaben prüft: Visuelle Kohärenz, also ob Gliedmaßen dort bleiben, wo sie hingehören. Bewegungsglaubwürdigkeit, also ob ein Sprung wie ein Sprung aussieht. Rhythmus, also ob der Körper im Takt bleibt. Artefakte, also Pixelmüll, der nicht ins Bild gehört. Standardkategorien, wie sie auch bei konventioneller Videoproduktion gelten — nur dass hier kein Kameramann im Raum steht, sondern ein statistisches Modell den Pixeln ein Bewegungsmuster aufzwingt. Die Metriken messen das, was messbar ist. Das ist nicht alles.
Was die Evaluation nicht prüft, darüber muss man reden. Erstens: Wer hat das Testset zusammengestellt? Welche Tanzstile, welche Kulturen, welche Körperbauten, welche Altersgruppen? Ein KI-Modell, das überwiegend auf einer schmalen Auswahl an Bewegungsstilen trainiert wurde, wird Stile außerhalb dieses Korpus anders „bewerten" als ein Modell, das eine breitere Vielfalt gesehen hat. Blindheit ist keine Eigenschaft — sie ist Architektur. Wer das Testset kuratiert, legt fest, welche Realität die Maschine als Norm akzeptiert.
Zweitens: Bewertet die Evaluation das Produkt oder die Illusion? Ein Tanzvideo kann physikalisch korrekt aussehen und trotzdem kulturell Unsinn erzählen. Es kann rhythmisch präzise sein und dabei Hände vermischen, die nicht in dieselbe Geste gehören, oder ein Tanzritual imitieren, ohne dessen Kontext zu kennen. Die technische Metrik übersieht das. Sie sieht keine Bedeutung, sie sieht Frames pro Sekunde.
Drittens: Die Stichprobe. Wie viele Videos wurden tatsächlich getestet? Zehn? Hundert? Tausend? Bei generativen Modellen entscheidet die Stichprobe über die Aussagekraft. Ein einzelner gelungener Clip beweist nichts über die Schwächen des Systems, und tausend gelungene Clips beweisen noch nicht, dass das Modell konsistent liefert. Ohne Zahl ist jede Aussage zur „Leistungsfähigkeit" eine Behauptung.
Viertens: Wer hat bewertet? Menschliche Juroren sind teuer, langsam und schwer zu koordinieren. Also automatisieren viele Tests die Bewertung selbst — dann prüft eine KI die andere. Das ist, als würde man den Brandstifter zum Brandermittler ernennen. Wenn überhaupt Menschen im Loop waren: welche? Laien, die nichts vom Tanz verstehen? Professionelle Tänzer, deren Maßstab zu eng ist? Beide Gruppen sehen unterschiedliche Dinge. Der Bericht schweigt.
Fünftens: Die Reproduzierbarkeit. Welche Eingaben — Prompts, Musikstücke, Referenzvideos — wurden verwendet? Ohne diese Daten lässt sich der Test nicht wiederholen. Und was sich nicht wiederholen lässt, lässt sich auch nicht überprüfen.
Es fehlt, soweit aus dem vorliegenden Material ersichtlich, jede externe Validierung. Kein unabhängiges Institut, keine zweite Methodik, kein Vergleichslauf, keine offene Diskussion der Fehlerquote. Der Bericht steht allein in der Leitung. Das macht ihn nicht falsch — aber angreifbar. Wer ihn veröffentlicht, trägt die Beweislast, nicht der Leser. Und solange diese Last nicht verteilt ist, bleibt das Urteil vorläufig.
Genau hier liegt der Punkt: In wessen Händen liegt diese Bewertungsmacht? Wer entscheidet, dass dieser Tanz „authentisch" genug ist, jener nicht? Wer füttert die Kategorien, nach denen sortiert wird? Wer bezahlt den Test, und wer profitiert vom Ergebnis? Ein Labor, das ein eigenes Modell prüft, wird andere Kriterien anlegen als ein Auftraggeber, der ein bestimmtes Produkt vermarkten will. Die Antwort auf diese Fragen fehlt im Testbericht. Und ohne sie ist jede Zahl nur ein Signal auf einer Leitung, deren anderes Ende wir nicht sehen.
Bis eine zweite, vorzugsweise unabhängige Stelle das Material mit eigener Methodik gegengeprüft hat, gilt: prüfen, nicht glauben. Die Maschine tanzt. Ob sie gut tanzt, entscheidet nicht der Hersteller.
❖ Ende des Artikels ❖